01它问的是什么问题（The Question It Poses）
时尚为什么会成片地起、又成片地退？一家新开的餐馆门口排起长队，队伍里绝大多数人并不知道这家好不好吃——他们看见了队。一只股票、一个育儿观念、一种编程框架，都能在短时间内被所有人采纳，然后在没有任何新证据的情况下被所有人放弃。
老一点的解释是「从众心理」：人有归属需要，害怕与众不同。这个解释的麻烦在于它预测不了任何东西——它说不清什么时候会从众、什么时候不会，也说不清为什么一个铁板一块的风潮能在一夜之间翻面。
本模型问的是一个更尖锐的问题：如果每个人都完全理性、都只关心自己判断对不对、根本不在乎别人怎么看，同样这件事会不会发生？答案是会。而且它发生得比从众心理预测的还快。
02规则本身（The Rules）
- 世界有两种可能状态，比如「这家餐馆好」或「不好」，事先各 50% 概率。
- 每个人拿到一个私人信号，它指向真实状态的概率是 q（例如 2/3），指错的概率是 1−q。信号只有自己看得见。
- 人们一个接一个做决定（去/不去、买/不买），每个决定公开可见，但私人信号不公开。
- 每个人按贝叶斯规则，结合「自己的信号」与「前面所有人的公开决定」，选那个后验概率更大的选项。打平就跟自己的信号走（或抛硬币）。
注意这里没有什么：没有从众偏好，没有社会压力，没有权威，没有人愚蠢，也没有人撒谎。所有人的目标函数都只有一项——猜对。
教科书里最常用的实体版本是罐子实验：A 罐 2 红 1 蓝，B 罐 2 蓝 1 红，主持人随机选一个罐子，每人私下摸一球看一眼再放回，然后公开报出自己猜的是哪个罐子。这里 q = 2/3。
03跑起来会看到什么（What You See When It Runs）
关键的一步发生在第三个人身上，而且只需要三步。
级联锁上的那一刻，队伍看起来最整齐——因为从那一刻起，队伍里不再有新东西进来。
把这个过程多跑几次，会看到三件事。
一、级联起得极快，而且经常起错。在 q = 2/3 的罐子设定下，只要头两个人的信号一致，级联当场锁死；而两个信号同时指错的概率并不小。用标准的贝叶斯计算，错误级联的概率大约是 (1−q)²/(1−2q+2q²)——q = 2/3 时约 1/5。也就是说，每五次里有一次，整个群体会一致地、稳定地、无限期地错下去。而且这个概率不随人数下降：来一万个人也压不下去，因为从第三个人起就没人再往里加信息了。
二、脆。因为后面所有人身上都没有信息，一条真正的公开新证据能让整条队伍当场翻面。这解释了时尚为什么走得比来得还突然，也解释了为什么「大家都在做」这件事在被戳破之后会崩得这么彻底——底下本来就是空的。
三、信息越强反而越容易锁。把 q 调高（每个人的信号更准），级联反而更早形成——因为前两个人的公开决定份量更重，更容易压过后来者的私人信号。这条最反直觉：提高每个个体的判断质量，并不必然提高群体的判断质量。
Anderson 与 Holt 1997 年把这套设定原样搬进实验室，用真人和真钱做了一遍。结果与理论吻合得相当好：级联确实频繁形成，包括错误的级联，而参与者的行为在绝大多数轮次里符合贝叶斯预测——他们不是在盲从，是在算。
04它解释了现实中的什么（What It Explains）
为什么排队会自我强化。餐馆门口的队伍是一条公开决定的序列。前几个人可能真的做过功课，后面的人只是看见了队。所以「热门」是一个混合量：一部分是质量，一部分是最早那两三个人的运气，而这两部分在外面看不出比例。
为什么风潮会同时具有惯性与脆性。采纳曲线在早期有一段异常陡的跳跃（级联锁上那一刻），中段稳如磐石，然后可能在一条新闻之后整段塌掉。这三段用「从众心理」很难同时解释，用信息级联很自然。
为什么专家群体也会集体走错。模型没有任何一处要求参与者不专业。同一批高水平的人，只要按顺序发言、且看得见彼此的结论，级联照样成立——而且 q 更高的时候锁得更早。学术共识、临床指南、投研共识都是这个结构。
它给出了具体可干预的位置。模型里只有三个可动的东西：顺序（谁先说）、可见性（能不能看见别人的决定）、公开的是决定还是信号。第三个最有力——如果每个人不仅公开自己的结论、还公开自己看到的证据，那么私人信号就进入了公共池，级联根本不成立。这正是「公示理由而不是公示票数」这条做法的模型依据。
它不能解释什么（What It Cannot Explain）
- 它不区分「理性级联」与「真的从众」。模型证明的是：即使没有社会压力，一致行为也会出现。这不等于现实中的一致行为都没有社会压力。真实场景里两种力通常同时在跑，而从外面看到的行为完全一样。所以拿这个模型去论证「所以那些人不是盲从」，是把「充分」当成了「必然」。
- 它假设了严格的先后顺序和完全的可见性。现实里人们同时行动、只看得见一部分人、还会反复修改决定。放松这些假设之后（网络上的级联、连续时间的采纳模型），结论会变——特别是网络结构会让不同的角落锁进互相矛盾的级联，这是原模型给不出的。
- 它不解释级联往哪个方向走。模型说「会锁上」，但锁在 A 还是 B 基本由最早那一两个信号的运气决定。所以它对预测哪个产品会火毫无用处——Salganik 等人的音乐实验正是这个预测无能的实测版本。想拿它挑赢家的人搞错了它的用途：它是一个关于不可预测性从哪儿来的模型。
- 它不适用于收益取决于别人跟不跟的场合。模型里每个人只关心自己猜得对不对。但很多现实决定是协调博弈——用哪个通讯软件、站哪一边队，跟大多数走本身就有回报。那种一致性有完全不同的解释（网络外部性），不需要信息级联，也不会因为公开证据而翻面。
📚 延伸阅读
- Bikhchandani, Hirshleifer & Welch, A Theory of Fads, Fashion, Custom, and Cultural Change as Informational Cascades（JPE, 1992）
- Banerjee, A Simple Model of Herd Behavior（QJE, 1992，独立提出的同期版本）
- Anderson & Holt, Information Cascades in the Laboratory（AER, 1997）
- Bikhchandani, Hirshleifer & Welch, Learning from the Behavior of Others（JEP, 1998，通俗综述）
- Salganik, Dodds & Watts, Experimental Study of Inequality and Unpredictability in an Artificial Cultural Market（Science, 2006）
- Information cascade（词条）